Récemment, une entreprise a développé une technologie qui permet à une machine d'apprendre efficacement à partir d'un petit nombre d'exemples et d'affiner ses connaissances à mesure que d'autres exemples deviennent disponibles. Il peut être appliqué n'importe où, comme apprendre à un smartphone à reconnaître les préférences de l'utilisateur ou aider les systèmes moteurs autonomes à identifier rapidement les obstacles.
Le vieil adage «la répétition est la mère de l'apprentissage» s'applique parfaitement aux machines. De nombreux systèmes d'intelligence artificielle modernes fonctionnant dans des appareils reposent sur la répétition dans le processus d'apprentissage. Les algorithmes d'apprentissage en profondeur permettent aux appareils d'IA d'extraire des connaissances à partir d'ensembles de données, puis d'appliquer ce qu'ils ont appris à des situations spécifiques. Par exemple, si vous alimentez un système d'IA que le ciel est généralement bleu, il reconnaîtra plus tard le ciel parmi les images.
Un travail complexe peut être effectué en utilisant cette méthode, mais elle laisse certainement beaucoup à désirer. Mais pourriez-vous obtenir les mêmes résultats si vous exécutiez le système d'apprentissage en profondeur de l'IA avec moins d'exemples? La startup basée à Boston, Gamalon, a développé une nouvelle technologie pour tenter de répondre à cette question et a dévoilé cette semaine deux produits qui adoptent une nouvelle approche.
Gamalon utilise des techniques de programmation bayésiennes, de synthèse logicielle. Il est basé sur les mathématiques du 18ème siècle développées par le mathématicien Thomas Bayes. La probabilité bayésienne est utilisée pour faire des prédictions raffinées sur le monde en utilisant l'expérience. Cette forme de programmation probabiliste - où le code utilise des valeurs probables plutôt que spécifiques - nécessite moins d'exemples pour déduire, par exemple, que le ciel est bleu avec des taches de nuages blancs. Le programme affine également ses connaissances au fur et à mesure que vous explorez les exemples, et son code peut être réécrit pour modifier les probabilités.
Programmation probabiliste
Bien que cette nouvelle approche de la programmation ait encore des défis à résoudre, elle a un potentiel important pour automatiser le développement d'algorithmes d'apprentissage automatique. «La programmation probabiliste facilitera l'apprentissage automatique pour les chercheurs et les praticiens», explique Brendan Lake, un chercheur de l'Université de New York qui a travaillé sur les techniques de programmation probabiliste en 2015. "Il a la capacité de s'occuper seul des parties complexes de la programmation."
Le PDG et co-fondateur Ben Vigoda a présenté à MIT Technology Review une application de dessin de démonstration qui utilise leur nouvelle méthode. C'est similaire à ce que Google a publié l'année dernière en ce sens qu'il prédit ce qu'une personne essaie de dessiner. Nous avons écrit à ce sujet plus en détail. Mais contrairement à la version de Google, qui s'appuie sur des croquis déjà vus, Gamalon s'appuie sur une programmation probabiliste pour tenter d'identifier les caractéristiques clés d'un objet. Ainsi, même si vous dessinez une forme différente de celles de la base de données de l'application, tant qu'elle peut identifier des caractéristiques spécifiques - par exemple, un carré avec un triangle en haut (une maison) - elle fera des prédictions correctes.
Vidéo promotionelle:
Les deux produits présentés par Gamalon montrent que leurs méthodes pourraient trouver des applications commerciales dans un futur proche. Le produit de Gamalon Structure utilise la synthèse logicielle bayésienne pour reconnaître les concepts à partir de texte brut et surpasse déjà les autres programmes en termes d'efficacité. Par exemple, après avoir reçu une description d'un téléviseur d'un fabricant, elle peut déterminer sa marque, son nom de produit, sa résolution d'écran, sa taille et d'autres caractéristiques. Une autre application - Gamalon Match - distribue les produits et les prix dans l'inventaire du magasin. Dans les deux cas, le système apprend rapidement à reconnaître les variations d'acronymes ou d'abréviations.
Vigoda note qu'il existe d'autres utilisations possibles. Par exemple, si les smartphones ou les ordinateurs portables sont équipés de l'apprentissage automatique bayésien, ils n'auront pas à partager des données personnelles avec de grandes entreprises pour déterminer les intérêts des utilisateurs; les calculs peuvent être effectués efficacement à l'intérieur de l'appareil. Les voitures autonomes peuvent également apprendre à s'adapter beaucoup plus rapidement à leur environnement grâce à cette méthode d'apprentissage.
Si vous apprenez à l'intelligence artificielle à apprendre par elle-même, il n'est pas nécessaire qu'elle soit tenue en laisse.
ILYA KHEL